MyoFuse — полностью основанный на ИИ рабочий процесс для автоматического количественного определения слияния скелетных мышечных клеток in vitro

Почему важно считать мышечные клетки

Когда мы тренируемся, восстанавливаемся после травмы или развиваем такие заболевания, как диабет, наши скелетные мышцы постоянно перестраиваются. В лаборатории учёные моделируют этот процесс, выращивая мышечные клетки в чашке и наблюдая, как отдельные клетки сливаются в длинные многиядерные волокна. Простая величина — индекс слияния — показывает, насколько успешно происходит это слияние. Но сегодня этот показатель обычно получают вручную: люди пересчитывают тысячи мелких ядер клеток на экране — медленно, не всегда последовательно и с ошибками. В этой работе представлен MyoFuse — полностью основанный на ИИ рабочий процесс, автоматизирующий эту задачу, с целью сделать исследования мышц быстрее, надёжнее и менее предвзятыми.

Проблема распознавания реального положения

Для изучения слияния мышечных клеток исследователи окрашивают ядра и мышечные волокна флуоресцентными красителями и снимают микроскопические изображения. Ключевой вопрос — какие ядра действительно находятся внутри слитых мышечных волокон, а какие принадлежат несвязанным клеткам поблизости. Традиционные методы предполагают, что если ядро перекрывает мышечное волокно на плоском двумерном изображении, то оно обязано находиться внутри волокна. Однако клетки растут в трёх измерениях: ядро может лежать выше или ниже волокна и при этом выглядеть так, будто перекрывает его на изображении. Авторы с помощью детальной конфокальной съёмки мышиных и человеческих мышечных клеток показывают, что приём с перекрытием может вводить в заблуждение, из‑за чего многие соседние ядра ошибочно учитываются как часть слиянных волокон, раздутый индекс слияния.

Более умный способ чтения флуоресцентных изображений

Команда обнаружила, что настоящие «внутриволокновые» ядра оставляют характерный визуальный отпечаток. Поскольку эти ядра физически занимают пространство внутри волокна, они создают небольшие тёмные пробелы в флуоресцентном сигнале, маркирующем мышечный белок MyHC. В отличие от этого, ядра, расположенные над или под волокном, не нарушают этот сигнал. Опираясь на это наблюдение, авторы разработали MyoFuse — двухэтапный ИИ‑рабочий процесс. Сначала специализированная модель сегментации (адаптированная из открытого инструмента Cellpose) точно обводит отдельные ядра, даже когда они плотно упакованы в кластеры. Затем лёгкая нейросетевая классификаторная модель анализирует окружающий сигнал MyHC для каждого ядра и решает, находится ли оно внутри мышечного волокна или снаружи, опираясь только на локальный рисунок сигнала, а не на простое перекрытие.

Насколько хорошо ИИ соответствует человеческим экспертам

Исследователи тщательно проверили MyoFuse на изображениях мышиных клеток C2C12 и первичных человеческих мышечных клеток из различных мышц. Для обоих видов количество ядер, посчитанное ИИ, и рассчитанный индекс слияния очень хорошо совпадали с аккуратными ручными аннотациями экспертов, с почти идеальными корреляциями. На уровне отдельных ядер классификатор правильно различал ядра внутри и вне волокон в более чем 90% случаев в разных наборах данных, демонстрируя показатели, сопоставимые с человеческой экспертной оценкой. Что важно, MyoFuse также хорошо работал на отдельном наборе человеческих клеток, которые никогда не использовались при обучении, что указывает на способность метода обобщать на новые образцы, а не просто запоминать тренировочные изображения.

Выявление скрытой систематической ошибки в распространённых методах

Помимо точности, MyoFuse выявил систематические проблемы в широко используемых масочных методах, основанных на простом перекрытии сигналов ядер и волокон. Сравнивая индексы слияния от MyoFuse с результатами усовершенствованного масочного подхода на тех же изображениях, авторы обнаружили, что масочный метод последовательно переоценивает слияние, особенно в областях, где волокна занимают большую долю поверхности чашки. Изменение порогов детекции меняло числа, но не устраняло этот базовый уклон; видимые улучшения часто возникали из взаимной компенсации ошибок, а не из более корректного отражения биологии. Команда также показала, что оценки слияния могут сильно варьировать в разных областях одной лунки, подчёркивая, что анализ лишь нескольких выбранных вручную полей может дать искажённое представление о степени слияния клеток.

Что это означает для будущих исследований мышц

MyoFuse предоставляет специалистам по мышцам способ измерять слияние клеток быстрее и более верно отражая происходящее в чашке. Объединив автоматическую микроскопию и ИИ, способный сегментировать и классифицировать сотни тысяч ядер за считанные минуты, рабочий процесс снижает трудоёмкость, минимизирует субъективные решения о том, где смотреть и как задавать пороги на изображениях, и предотвращает учёт соседних клеток как слиянных волокон. Авторы признают, что экстремальные условия съёмки или сильно отличающиеся протоколы окраски могут потребовать дообучения, но метод открыт и спроектирован так, чтобы быть адаптируемым. Для лабораторий, изучающих развитие мышц, старение, регенерацию или метаболические заболевания, MyoFuse обещает более надёжные измерения слияния — а вместе с ними более заслуживающие доверия выводы о том, как растут и изменяются мышцы.

Цитирование: Lair, B., Cazorla, C., Lobeto, A. et al. MyoFuse is a fully AI-based workflow for automated quantification of skeletal muscle cell fusion in vitro. Sci Rep 16, 9387 (2026). https://doi.org/10.1038/s41598-026-40047-y

Ключевые слова: скелетная мышца, слияние клеток, искусственный интеллект, анализ изображений, миогенез